面向知识图谱多跳逻辑推理的 Beta 分布嵌入

人工智能的基本问题之一是对知识图谱(KG)所捕获的事实执行复杂的多跳逻辑推理。该问题具有挑战性,因为 KG 可能规模庞大且不完整。近期方法将 KG 实体嵌入到低维空间中,然后利用这些嵌入来寻找答案实体。然而,如何处理任意一阶逻辑(FOL)查询一直是一个突出的挑战,因为现有方法仅限于 FOL 运算符的一个子集。特别地,不支持否定运算符。现有方法的另一个局限是它们无法自然地建模不确定性。在此,我们提出 BetaE,一种用于在 KG 上回答任意 FOL 查询的概率嵌入框架。BetaE 是首个能够处理完整一阶逻辑运算集的方法:合取($\wedge$)、析取($\vee$)和否定($\neg$)。BetaE 的一个关键洞见是使用具有有界支撑的概率分布,具体而言是 Beta 分布,并将查询/实体嵌入为分布,这作为结果也使我们能够忠实地建模不确定性。逻辑运算通过在概率嵌入上的神经算子在嵌入空间中执行。我们在三个大型、不完整的 KG 上展示了 BetaE 在回答任意 FOL 查询上的性能。在更具通用性的同时,BetaE 相对于当前仅能处理无否定的合取查询的 SOTA KG 推理方法,相对性能提升了高达 25.4%。